Parameter Sharing對於卷積運算來講也是至關重要,因為如何sharing直接決定了參數的數量。在GCN可能更尤為重要了,因為graph上每個頂點的度都不一樣,所以不能按照CNN的方式來進行sharing。
這裡介紹三種目前較為流行的GCN模型。
1 Defferrard, M., Bresson, X., & Vandergheynst, P. (2016)
這裡的GCN運算可以寫成如下公式:
公式中符號的定義與我之前的回答(如何理解 Graph Convolutional Network(GCN)?)保持一致,並且我推導了以上的運算等價於:
很明顯 是可學習的參數,可以看到 與 保持一致,我們知道 對應著 階neighbor,這意味著在同階的鄰居上參數共享(可以學習的參數相同),不同階的鄰居上參數不共享(可以學習的參數不同)。
舉個例子,具體信息還是同(如何理解 Graph Convolutional Network(GCN)?)
在下圖的graph上我們取 的卷積核,結果如下所示: